Autocorrelation là một phương pháp thống kê được sử dụng để phân tích chuỗi thời gian. Mục đích là để đo lường mối tương quan của hai giá trị trong cùng một tập dữ liệu ở các bước thời gian khác nhau. Mặc dù dữ liệu thời gian không được sử dụng để tính toán tự động tương quan, nhưng thời gian tăng của bạn phải bằng nhau để có được kết quả có ý nghĩa. Hệ số tự tương quan phục vụ hai mục đích. Nó có thể phát hiện sự không ngẫu nhiên trong một tập dữ liệu. Nếu các giá trị trong tập dữ liệu không ngẫu nhiên, thì tự động tương quan có thể giúp nhà phân tích chọn mô hình chuỗi thời gian thích hợp.
Tính giá trị trung bình hoặc trung bình cho dữ liệu bạn đang phân tích. Giá trị trung bình là tổng của tất cả các giá trị dữ liệu chia cho số lượng giá trị dữ liệu (n).
Quyết định độ trễ thời gian (k) cho tính toán của bạn. Giá trị độ trễ là một số nguyên biểu thị có bao nhiêu bước thời gian tách một giá trị này với một giá trị khác. Chẳng hạn, độ trễ giữa (y1, t1) và (y6, t6) là năm, vì có 6 - 1 = 5 bước thời gian giữa hai giá trị. Khi kiểm tra tính ngẫu nhiên, bạn thường sẽ chỉ tính một hệ số tự tương quan bằng cách sử dụng độ trễ k = 1, mặc dù các giá trị độ trễ khác cũng sẽ hoạt động. Khi bạn đang xác định một mô hình chuỗi thời gian thích hợp, bạn sẽ cần tính toán một loạt các giá trị tự tương quan, sử dụng một giá trị độ trễ khác nhau cho mỗi mô hình.
Tính toán hàm tự động bằng công thức đã cho. Ví dụ: bạn đang tính toán lần lặp thứ ba (i = 3) bằng cách sử dụng độ trễ k = 7, thì phép tính cho lần lặp đó sẽ như thế này: (y3 - y-bar) (y10 - y-bar) Lặp lại tất cả các giá trị của "i" và sau đó lấy tổng và chia cho số lượng giá trị trong tập dữ liệu.
Tính hàm phương sai bằng công thức đã cho. Tính toán tương tự như chức năng tự động điều chỉnh, nhưng độ trễ không được sử dụng.
Chia hàm autocovariance cho hàm variance để lấy hệ số tự tương quan. Bạn có thể bỏ qua bước này bằng cách chia các công thức cho hai hàm như được hiển thị, nhưng nhiều lần, bạn sẽ cần tự động điều chỉnh và phương sai cho các mục đích khác, vì vậy việc tính riêng chúng cũng rất thiết thực.